El dolor lumbar es una patología prevalente y una frecuente causa de discapacidad. Se asocia a crecientes costes para el sistema sanitario y para la sociedad en países desarrollados, afectando al 70% de la población general en algún momento de sus vidas, con una incidencia anual del 40%. El dolor lumbar presenta una tendencia a cronificarse o a producir recaídas que pueden afectar severamente el día a día de los pacientes que lo padecen.

Identificar los factores pronósticos de cronicidad se ha convertido en una de las prioridades de los investigadores sobre patología lumbar. En alrededor del 85% de los casos no es posible encontrar una causa precisa del dolor. Los estudios que evalúan la presencia de cambios anatómicos o estructurales en la columna lumbar por medios como tomografía computarizada, resonancia magnética o discografía no son capaces correlacionar estas anomalías con un mal pronostico en el dolor lumbar. El concepto que relaciona el dolor crónico con las alteraciones estructurales debe ser reconsiderado en vista de la reciente evidencia científica.

El término Big Data (grandes volúmenes de datos) hace referencia a una cantidad de datos tal que supera la capacidad del software habitual para ser capturados, gestionados y procesados en un tiempo razonable. Los hospitales tienen cantidades masivas de datos clínicos y de imagen en diferentes formatos. El sector de la salud, es uno de los sectores donde Big Data está teniendo mayor impacto en la actualidad y donde sus aplicaciones crecerán de un modo espectacular, tanto para el área médica, la gestión de centros de salud, la administración hospitalaria y la documentación científica (generación, almacenamiento y explotación).

Otro concepto es el de inteligencia grupal o Crowd Intelligence se basa en la capacidad predictora que tiene el promedio de juicios de muchos individuos. La agregación de información de muchos grupos conduce a mejores decisiones y soluciones que las que ofrecerían expertos individuales.

En la actualidad hay incertidumbre sobre las indicaciones de cirugía del dolor lumbar. La aproximación usando Big Data y Crowd Intelligence no ha sido explorada, pudiendo ser de utilidad para establecer las indicaciones de cirugía según los parámetros de imagen aplicando estos dos conceptos.

Proyecto colaborativo realizado junto con el Hospital Arnau de Vilanova. Servicio de Traumatología.

Automatic Semantic Segmentation of Structural Elements related to the Spinal Cord in the Lumbar Region by Using Convolutional Neural Networks

Jhon Jairo Sáenz Gamboa, Maria De La Iglesia-Vaya, Jon Ander Gómez

Abstract: This work addresses the problem of automatically segmenting the MR images corresponding to the lumbar spine. The purpose is to detect and delimit the different structural elements like vertebrae, intervertebral discs, nerves, blood vessels, etc. This task is known as semantic segmentation. The approach proposed in this work is based on convolutional neural networks whose output is a mask where each pixel from the input image is classified into one of the possible classes. Classes were defined by radiologists and correspond to structural elements and tissues. The proposed network architectures are variants of the U-Net. Several complementary blocks were used to define the variants: spatial attention models, deep supervision and multi-kernels at input, this last block type is based on the idea of inception. Those architectures which got the best results are described in this paper, and their results are discussed. Two of the proposed architectures outperform the standard U-Net used as baseline.

Automatic Semantic Segmentation of the Lumbar Spine: Clinical Applicability in a Multi-Parametric and Multi-Center Study on Magnetic Resonance Images

Jhon Jairo Sáenz Gamboa, Maria De La Iglesia-Vaya, Jon Ander Gómez, Julio Doménech Fernández, Antonio Alonso-Manjarrés

Abstract: Significant difficulties in medical image segmentation include the high variability of images caused by their origin (multi-center), the acquisition protocols (multi-parametric), the variability of human anatomy, illness severity, the effect of age and gender, and notable other factors. This work addresses problems associated with the automatic semantic segmentation of lumbar spine magnetic resonance images using convolutional neural networks. We aimed to assign a class label to each pixel of an image, with classes defined by radiologists corresponding to structural elements such as vertebrae, intervertebral discs, nerves, blood vessels, and other tissues. The proposed network topologies represent variants of the U-Net architecture, and we used several complementary blocks to define the variants: three types of convolutional blocks, spatial attention models, deep supervision, and multilevel feature extractor. Here, we describe the topologies and analyze the results of the neural network designs that obtained the most accurate segmentation. Several proposed designs outperform the standard U-Net used as a baseline, primarily when used in ensembles, where the outputs of multiple neural networks are combined according to different strategies.

MIDAS (Massive Image Data Anatomy Spine)

Investigador Principal: Dr. Julio Doménech Fernández

Co-investigador: Jhon Jairo Sáenz Gamboa

Co-investigador: Jon Ander Gómez

Co-investigador: María de la Iglesia-Vayá

Si quiere saber más sobre el proyecto o ponerse en contacto con el equipo de investigación, escríbanos.